1樓：
無監督學習對於NLP和CV都是至關重要的，其實這個結論可以推廣到一般的問題上。無監督學習的核心思想就是通過構造內蘊的一致性/不變性來挖掘問題自身的結構，這個結構其實無非包括兩個方面，乙個是系統的不變性，乙個是系統之間的相互關係，大致上，前者定義了系統的區域性特徵，後者定義了全域性特徵。畢竟我們這個世界的核心部分也就是這兩條，學過一定物理知識的人都知道，invariance和relation對於描述系統特徵的重要性。
具體到CV上，那麼自監督學習其實就是要找不變性和相關性，即影象的區域性特徵的不變性和大尺度上影象語義上的相關性，說白了就是尋求影象資訊的解耦描述，靠結合區域性不變特徵和整體的結構上的相關性來表達影象的資訊，應該是對影象結構的最佳的描述方式，這一點其實和膠囊網路有相似之處。
2樓：小小將
無監督學習對CV的意義非常大，因為標註大量的資料是很費力的。如果無監督學習可以在unlabeled data上能夠得到好的representation，只需要少量labeled資料進行finetune就可以達到較好的效果，這就能夠推動AI在CV領域更大範圍的應用。
不過目前無監督學習在CV領域遠沒有它在NLP領域那麼成功比如Bert，目前我們還是大部分使用直接在labeled imageNet data有監督訓練的pretrain model。
另外從大的方面說，我們寄希望無監督學習能夠實現乙個CV上的通用模型，類似OpenAI的DALL·E和CLIP，或者說是CV領域的"GPT3"，目前的現狀是乙個單純的CV模型並不能勝任多工。。
在計算機視覺領域，都是怎麼檢測煙霧的？
AI落地工程師 煙火檢測在人工智慧應用領域開始逐漸普及了，特別是森林防火 秸稈燃燒等以zf層面推動的專案，而且專案都很大。至於你說的煙火的特徵之類的，這是以傳統影象演算法，機器學習層面去考慮的，這個靠人工去設計演算法提取特徵，但是這種方式做到極致準確率也就80 都不到，現在基本上都是訓練深度學習檢測...
在計算機視覺領域，可以用神經網路去模擬傳統的特徵提取器嗎？
何文謙虛謹慎得不得了 題主的這個問題就好像 我能不能用Python模擬乙個組合語言標準庫 一樣。在深度學習還未廣泛應用的時候，視覺領域做影象配準，做分割等等的任務，需要手動設計模式，做特徵工程。做特徵工程這一步，就是題目描述的利用SIFT，BOW或者HOF等等的特徵去做任務。但深度學習的目的是什麼呢...
研究者July在計算機和機器學習領域的水平怎麼樣？
calelin 恕我直言，本身國內能稱得上機器學習研究者的，在好一點的985技校乙個學校就兩三個，乙個東華理工的也敢稱自己是機器學習研究者？估計連最末流的機器學習崗位都幹不了吧。 apocrypha n.作者 或真實性 權威性 可疑的著作 旁經相關例句 July often shared apocr...